基于结构化平均感知机的分词器Java实现

最近高产似母猪，写了个基于AP的中文分词器，在Bakeoff-05的MSR语料上F值有96.11%。最重要的是，只训练了5个迭代；包含语料加载等IO操作在内，整个训练一共才花费23秒。应用裁剪算法去掉模型中80%的特征后，F值才下降不到0.1个百分点，体积控制在11兆。如果训练一百个迭代，F值可达到96.31%，训练时间两分多钟。

数据在一台普通的IBM兼容机上得到：

本模块已集成到HanLP 1.6以上版本开源，文档位于项目wiki中，欢迎使用！【hanlp1.7新版本已经发布，可以去新版本查到看使用】

结构化预测

关于结构化预测和非结构化预测的区别一张讲义说明如下：

更多知识请参考Neubig的讲义《The Structured Perceptron》。

本文实现的AP分词器预测是整个句子的BMES标注序列，当然属于结构化预测问题了。

感知机

二分类

感知机的基础形式如《统计学习方法》所述，是定义在一个超平面上的线性二分类模型。作为原著第二章，实在是简单得不能再简单了。然而实际运用中，越简单的模型往往生命力越顽强。

这里唯一需要补充的是，感知机是个在线学习模型，学习一个训练实例后，就可以更新整个模型。

多分类

怎么把二分类拓展到多分类呢？可以用多个分类器，对于BMES这4种分类，就是4个感知机了。每个感知机分别负责分辨“是不是B”“是不是M”“是不是E”“是不是S”这4个二分类问题。在实现中，当然不必傻乎乎地创建4个感知机啦。把它们的权值向量拼接在一起，就可以输出“是B的分数”“是M的分数”“是E的分数”“是S的分数”了。取其最大者，就可以初步实现多分类。但在分词中，还涉及到转移特征和HMM-viterbi搜索算法等，留到下文再说。

平均感知机

平均感知机指的是记录每个特征权值的累计值，最后平均得出最终模型的感知机。为什么要大费周章搞个平均算法出来呢？

前面提到过，感知机是个在线学习模型，学习一个训练实例后，就可以更新整个模型。假设有10000个实例，模型在前9999个实例的学习中都完美地得到正确答案，说明此时的模型接近完美了。可是最后一个实例是个噪音点，朴素感知机模型预测错误后直接修改了模型，导致前面9999个实例预测错误，模型训练前功尽弃。

有什么解决方案呢？一种方案是投票式的，即记录每个模型分类正确的次数，作为它的得票。训练结束时取得票最高的模型作为最终模型。但这种算法是不实际的，如果训练5个迭代，10000个实例，那么就需要储存50000个模型及其票数，太浪费了。

最好用的方法是平均感知机，将这50000个模型的权值向量累加起来，最后除以50000就行了，这样任何时候我们只额外记录了一个累加值，非常高效了。关于平均感知机的详情请参考《200行Python代码实现感知机词性标注器》。虽然那篇文章是讲解词性标注的，但相信作为万物灵长的读者一定拥有举一反三的泛化能力。

语言模型

HMM

我们不是在讲解感知机分词吗？怎么跟HMM扯上关系了？

其实任何基于序列标注的分词器都离不开隐马尔科夫链，即BMES这四个标签之间的Bigram（乃至更高阶的n-gram）转移概率。作为其中一员的AP分词器，也不例外地将前一个字符的标签作为了一个特征。该特征对预测当前的标签毫无疑问是有用的，比如前一个标签是B，当前标签就绝不可能是S。

这种类似于y[i-1]的特征在线性图模型中一般称为转移特征，而那些不涉及y[i-1]的特征通常称为状态特征。

viterbi

由于AP分词器用到了转移特征，所以肯定少不了维特比搜索。从序列全体的准确率考虑，搜索也是必不可少的。给定隐马尔可夫模型的3要素，我用Java写了一段“可运行的伪码”：

上述实现是个重视条理胜于效率的原型，古人云“过早优化是魔鬼”。相信聪明的读者一定能看懂这里面在干什么。

特征提取

定义字符序列为x，标注序列为y。

转移特征

转移特征就是上面说的y[i-1]。

状态特征

我一共使用了7种状态特征：

在邓知龙的《基于感知器算法的高效中文分词与词性标注系统设计与实现》中提到，要利用更复杂的字符n-gram、字符类别n-gram、叠字、词典等特征。但在我的实践中，除了上述7种特征外，我每减少一个特征，我的AP分词器的准确率就提高一点，也许是语料不同吧，也许是特征提取的实现不同。总之，主打精简、高效。

训练

迭代数目其实不需要太多，在3个迭代内模型基本就收敛了：